Aziende, piattaforme e dati degli studenti

Tematica

In breve. I fornitori portano strumenti e risorse che il sistema pubblico non ha, ma hanno interessi propri e gestiscono i dati degli studenti. C’è il rischio di dipendere da infrastrutture che la scuola non controlla. Per limitarlo servono condizioni contrattuali chiare, trasparenza sugli algoritmi e, dove possibile, alternative pubbliche.

La tematica

L’IA a scuola arriva quasi sempre attraverso aziende private: grandi piattaforme tecnologiche, editori, fornitori di software. Portano strumenti, competenze e risorse che il sistema pubblico spesso non ha, a volte gratuitamente. Ma hanno interessi propri, e la loro presenza solleva questioni che i casi mostrano chiaramente.

La prima riguarda la dipendenza: una scuola che costruisce la propria didattica su una piattaforma rischia di non poterne più fare a meno, e di dipendere da infrastrutture e scelte che non controlla. La seconda riguarda i dati: strumenti usati da milioni di studenti, spesso minorenni, raccolgono informazioni personali, e non sempre è chiaro come vengano trattate. La terza riguarda la trasparenza: quando un algoritmo valuta, raccomanda o corregge, chi può verificare come lo fa?

I Paesi rispondono in modo diverso. Alcuni stringono accordi diretti con le grandi aziende dell’IA, altri investono in strumenti pubblici o «sovrani», altri ancora si appoggiano a enti pubblici che sviluppano propri strumenti. Nessuna scelta è priva di costi.

Per limitare i rischi servono condizioni contrattuali chiare, garanzie sul trattamento dei dati, trasparenza sul funzionamento degli algoritmi e la possibilità di cambiare fornitore. Dove possibile, servono anche alternative pubbliche.

La tematica nei casi

Caso 18 – Grecia: l’accordo con OpenAI porta ChatGPT nei licei

La Grecia firma con OpenAI un memorandum che porta ChatGPT Edu in 20 licei pilota. Il governo lo presenta come una grande opportunità per fare del Paese un polo dell’IA. Per accademici ed educatori critici introdurre lo strumento di una singola azienda in una scuola povera di risorse rischia di creare dipendenza tecnologica; altri sollevano la protezione dei dati e la dipendenza da una piattaforma statunitense.

Caso 04 – Estonia: «AI Leap», l’IA a livello nazionale nelle scuole superiori

Anche l’Estonia, per il programma AI Leap, avvia trattative con OpenAI e Anthropic, la società che sviluppa l’assistente che ha redatto questi testi. È un’alleanza con aziende tecnologiche private, che il governo presenta come un modo per portare l’IA nella scuola in modo guidato.

Caso 03 – Corea del Sud: i libri di testo con IA introdotti e ritirati

In Corea del Sud, quando il programma viene ridimensionato, gli editori che avevano investito nei libri digitali tengono una conferenza stampa per difenderlo, e denunciano il danno economico. Il caso mostra gli interessi economici dei fornitori coinvolti nella scuola. Tra le critiche c’è anche il trattamento dei dati personali degli studenti, che i genitori considerano un rischio inaccettabile senza prove di efficacia.

Caso 10 – La sperimentazione italiana: 15 classi pilota con assistenti virtuali

Nella sperimentazione italiana, in Toscana il progetto si appoggia a Google for Education, senza costi per lo Stato: un fornitore privato nella scuola pubblica, con responsabilità poco definite tra Ministero, scuole e fornitore. Il «gratuito» non elimina la questione di chi controlla strumenti e dati.

Caso 05 – Alpha School e Unbound Academy: due ore di IA al giorno e «guide» al posto dei docenti

Per Unbound Academy la questione è il denaro pubblico: Education Voters parla di profitto privato a spese del denaro pubblico, e la richiesta viene respinta in diversi Stati.

Caso 07 – Francia: formazione obbligatoria e «cadre d’usage» per l’IA a scuola

La Francia sceglie un’altra strada: una piattaforma pubblica (Pix) per la formazione e risorse per un’IA «sovrana» destinata ai docenti. In Inghilterra (caso 20) l’assistente Aila è sviluppato da un ente pubblico, Oak National Academy. Sono tentativi di non dipendere interamente dalle grandi piattaforme.

Caso 06 – Texas: i test STAAR corretti da un motore di punteggio automatico

In Texas il problema è la trasparenza: un algoritmo corregge le prove di Stato, e i sindacati chiedono garanzie sulla protezione dei dati e sulla trasparenza degli algoritmi. Le Linee guida del MIM (caso 09) chiedono valutazioni d’impatto quando si trattano dati di minori. E il caso Raine (caso 13) pone la questione del ruolo delle aziende che progettano prodotti usati da persone di ogni età.